論文の概要: Revisiting Initializing Then Refining: An Incomplete and Missing Graph Imputation Network

• arxiv url: http://arxiv.org/abs/2302.07524v1
• Date: Wed, 15 Feb 2023 08:38:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-16 15:34:32.056857
• Title: Revisiting Initializing Then Refining: An Incomplete and Missing Graph Imputation Network
• Title（参考訳）: 初期化と精製を再考する:不完全で欠落するグラフインプットネットワーク
• Authors: Wenxuan Tu, Bin Xiao, Xinwang Liu, Sihang Zhou, Zhiping Cai, and Jieren Cheng
• Abstract要約: RITR(Revisiting Initializing Then Refining)と呼ばれる新しいネットワークを開発する。 我々は,新しい初期化精錬計算基準の指導のもと,属性不完全と属性欠落の両方のサンプルを完成させた。 我々の知る限り、この新しく設計された手法は、ハイブリット・アベントグラフを扱うための最初の教師なしのフレームワークである。
• 参考スコア（独自算出の注目度）: 42.68291773745948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the development of various applications, such as social networks and knowledge graphs, graph data has been ubiquitous in the real world. Unfortunately, graphs usually suffer from being absent due to privacy-protecting policies or copyright restrictions during data collection. The absence of graph data can be roughly categorized into attribute-incomplete and attribute-missing circumstances. Specifically, attribute-incomplete indicates that a part of the attribute vectors of all nodes are incomplete, while attribute-missing indicates that the whole attribute vectors of partial nodes are missing. Although many efforts have been devoted, none of them is custom-designed for a common situation where both types of graph data absence exist simultaneously. To fill this gap, we develop a novel network termed Revisiting Initializing Then Refining (RITR), where we complete both attribute-incomplete and attribute-missing samples under the guidance of a novel initializing-then-refining imputation criterion. Specifically, to complete attribute-incomplete samples, we first initialize the incomplete attributes using Gaussian noise before network learning, and then introduce a structure-attribute consistency constraint to refine incomplete values by approximating a structure-attribute correlation matrix to a high-order structural matrix. To complete attribute-missing samples, we first adopt structure embeddings of attribute-missing samples as the embedding initialization, and then refine these initial values by adaptively aggregating the reliable information of attribute-incomplete samples according to a dynamic affinity structure. To the best of our knowledge, this newly designed method is the first unsupervised framework dedicated to handling hybrid-absent graphs. Extensive experiments on four datasets have verified that our methods consistently outperform existing state-of-the-art competitors.
• Abstract（参考訳）: ソーシャルネットワークやナレッジグラフなどの様々なアプリケーションの開発により、グラフデータは現実世界に広く普及してきた。 残念ながら、グラフは通常、プライバシー保護ポリシーやデータ収集時の著作権制限のために欠落している。 グラフデータの欠如は、属性不完全と属性許容の状況に大まかに分類できる。 具体的には、属性不完全は全てのノードの属性ベクトルの一部が不完全であることを示しているが、属性欠落は部分ノードの属性ベクトル全体が欠落していることを示している。 多くの努力が費やされているが、どちらのグラフデータも同時に存在しない共通の状況のためにカスタムデザインされていない。 このギャップを埋めるために、我々はRevisiting Initializing Then Refining (RITR)と呼ばれる新しいネットワークを開発し、新しい初期化初期化計算基準の指導のもと、属性不完全および属性欠落サンプルの両方を完成させる。 具体的には,まずネットワーク学習前にガウス雑音を用いて不完全属性を初期化し,構造属性相関行列を高次構造行列に近似して不完全値を洗練するための構造属性一貫性制約を導入する。 まず, 属性欠落サンプルの埋め込みを埋め込み初期化として導入し, 動的親和性構造に従って属性不完全サンプルの信頼性情報を適応的に集約することで初期値を改良する。 私たちの知る限りでは、この新設計の手法は、ハイブリッド-抽象グラフを扱うための最初の教師なしフレームワークです。 4つのデータセットに対する大規模な実験により、我々の手法が既存の最先端の競合より一貫して優れていることが確認された。

関連論文リスト

• Enhancing Missing Data Imputation through Combined Bipartite Graph and Complete Directed Graph [18.06658040186476]
  BCGNN(Bipartite and Complete Directed Graph Neural Network)という新しいフレームワークを導入する。 BCGNN内では、観察と特徴は2つの異なるノードタイプとして区別され、観察された特徴の値はそれらをリンクする属性付きエッジに変換される。 並行して、完全な有向グラフセグメントは、機能間の複雑な相互依存性を網羅し、伝達する。
  論文  参考訳（メタデータ） (2024-11-07T17:48:37Z)
• Zero-shot Generalist Graph Anomaly Detection with Unified Neighborhood Prompts [21.05107001235223]
  グラフ異常検出(GAD)は、通常のパターンから著しく逸脱したグラフ内のノードを特定することを目的としている。 既存のGADメソッドは、教師付きでも教師なしでも、ワン・モデル・フォー・ワン・データセットのアプローチである。 ゼロショット・ジェネラリストのGADがUNPromptに近づき、一対一検出モデルを訓練する。
  論文  参考訳（メタデータ） (2024-10-18T22:23:59Z)
• AutoAC: Towards Automated Attribute Completion for Heterogeneous Graph Neural Network [18.47866953955945]
  異種GNNにおける自動完了操作探索のための AutoAC という異種属性補完フレームワークを提案する。 我々は,AutoACがSOTAの手作りヘテロジニアスGNNと既存の属性補完法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-08T14:38:32Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Label-Free Model Evaluation with Semi-Structured Dataset Representations [78.54590197704088]
  ラベルなしモデル評価(AutoEval)は、ラベルなしテストセットでモデル精度を推定する。 画像ラベルがない場合、データセット表現に基づいて、回帰を伴うAutoEvalのモデル性能を推定する。 本稿では,AutoEvalのリッチな情報を含む回帰学習のための半構造化データセット表現を提案する。
  論文  参考訳（メタデータ） (2021-12-01T18:15:58Z)
• Adaptive Attribute and Structure Subspace Clustering Network [49.040136530379094]
  自己表現型サブスペースクラスタリングネットワークを提案する。 まず、入力データサンプルを表現する自動エンコーダについて検討する。 そこで我々は, 局所的な幾何学的構造を捉えるために, 混合符号と対称構造行列を構築した。 構築された属性構造と行列に対して自己表現を行い、親和性グラフを学習する。
  論文  参考訳（メタデータ） (2021-09-28T14:00:57Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Node Attribute Completion in Knowledge Graphs with Multi-Relational Propagation [14.58440933068]
  我々のアプローチは、知識グラフを横断して情報を伝達することで、欠落した属性の値を暗示する。 これは、ノードと属性のタイプとの関係に応じて、あるノード属性を別のノード属性から予測するために回帰関数を使用する。
  論文  参考訳（メタデータ） (2020-11-10T18:36:33Z)
• Learning on Attribute-Missing Graphs [66.76561524848304]
  部分ノードのみの属性が利用できるグラフがあり、他の属性が完全に欠落している可能性がある。 一般的なGNNを含む既存のグラフ学習手法では、満足な学習性能が得られない。 我々は,属性欠落グラフのための構造属性変換器(SAT)と呼ばれる新しい分布マッチングベースGNNを開発した。
  論文  参考訳（メタデータ） (2020-11-03T11:09:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。